CN105243461A - 一种基于人工神经网络改进训练策略的短期负荷预测方法 - Google Patents
一种基于人工神经网络改进训练策略的短期负荷预测方法 Download PDFInfo
- Publication number
- CN105243461A CN105243461A CN201510812904.9A CN201510812904A CN105243461A CN 105243461 A CN105243461 A CN 105243461A CN 201510812904 A CN201510812904 A CN 201510812904A CN 105243461 A CN105243461 A CN 105243461A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- neural network
- artificial neural
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络改进训练策略的短期负荷预测方法,包括:建立Elman人工神经网络,将原始数据进行预处理获得训练样本;通过设置不同的阀值和权值,获得多组训练结果;对比获得的多组训练结果,记录误差最小的预测数据组;重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;本发明方法改变了传统上只输入一个时间点的多个相关日历史负荷数据的做法,改为输入多个时间点的多个相关日历史负荷数据。代入模型预测后,只选取预测值序列中的中间值作为本次预测的目标值,从而避免了边缘效应及数据波动对预测的影响。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体涉及一种基于人工神经网络改进训练策略的短期负荷预测方法。
背景技术
随着社会经济的不断发展,城市电网负荷快速增长,现代生产生活对供电量和供电质量的要求显著提高。另一方面,城市电网核心区负荷变化复杂,影响因素众多,对电网调度部门的安全运行提出了挑战。如何快速准确的把握城市电网的短期负荷变化特征,进行精准的负荷预测显得极为重要。
短期负荷预测是以未来几分钟、几小时或者几天内的连续负荷变化趋势作为研究对象。随着智能算法的兴起,专家、学者相继提出了许多关于短期负荷预测的方法,这些方法主要包括专家系统法,遗传算法,模糊理论,支持向量机和人工神经网络等。虽然上述方法已被证明在短期负荷预测领域取得了丰硕成果,但存在以下缺点:由于城市核心区负荷受相关因素影响大,不同地区负荷呈现不同的规律性,预测方法鲁棒性差;目前多数研究都针对单个区域电网进行研究,未系统的就城市不同区域的负荷特性进行对比研究,存在待处理数据量大,负荷影响因素分析粗糙等问题,导致负荷预测耗时长,负荷预测精准度差,缺少实用性。
传统神经网络预测是在训练得到模型后,通过模型一次性预测得到多个点数据。但经实际预测发现,所得预测结果集存在误差两边大中间小,相邻波动大的数据所得预测结果误差大等情况。其主要原因是模型固定后,模型的神经元数目和权值阀值均固定,模型适应性降低,由于其变化规律与训练数据存在不同,遇到新数据后,易出现预测精度降低的情况。若逐点进行预测且结合每组训练数据特点分别建立预测模型,就能在一定程度上提高模型的适应性,提高预测精度。
发明内容
本发明的目的就是为了解决上述问题,提出了一种基于人工神经网络改进训练策略的短期负荷预测方法,该方法分析了负荷变化特性及各类影响负荷变化的因素,针对预测方法中存在的边缘效应等问题,通过改进训练策略,提出了一种新的人工神经网络短期负荷预测模型。预测结果表明,基于该方法建立的预测模型适用性强且能获得较高的预测精度,可为城市核心区的短期负荷预测提供可行方案,具有较好的实用性。
为实现上述目的,本发明的具体方案如下:
一种基于人工神经网络改进训练策略的短期负荷预测方法,包括以下步骤:
步骤(1):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出层神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数;
步骤(2):设定Elman人工神经网络的初始隐含层神经元数;
步骤(3):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理和横向对比处理以及归一化后,把处理过的数据作为训练样本输入人工神经网络;
步骤(4):设置初始阀值和权值,利用训练样本在网络中进行训练,通过设置不同的阀值和权值,获得多组训练结果;
步骤(5):对比获得的多组训练结果,记录误差最小的预测数据组;
返回步骤(2),重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;
步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;
步骤(7):在所述预测模型中输入待预测样本进行预测,选取预测值序列中的中间值作为本次预测的目标值,获得系统短期负荷预测数据。
输入的待预测数据的历史数据以待预测短期负荷前M天前/后N时刻负荷值为输入值,以待预测日前M天该时刻负荷为每组输入的中心值输入预测模型进行预测。
预测模型输出为待预测日前/后N时刻的预测负荷值,该组数据中心值即为待预测日待预测时刻的负荷值。
所述数据纵向对比处理是指:
设定阈值设定时间段内每一天t时刻负荷值的平均值用表示,第i天第t时刻的负荷值用y(i,t)表示;判断y(i,t)与的差值的绝对值是否超过设定阈值如果超过设定阈值则认为数据y(i,t)存在异常,需要对其进行处理。
对数据进行处理的具体方法是:
如果负荷值y(i,t)大于平均值则负荷值y(i,t)取平均值与阈值的和;
如果负荷值y(i,t)小于平均值则负荷值y(i,t)取平均值与阈值的差。
所述横向对比处理是指:
分别以t时刻的负荷值的前一个时刻和后一个时刻的负荷值做为基准,并分别设定t时刻的负荷值相对于前一个时刻和后一个时刻的负荷值允许变化的最大范围α(t)和β(t);
将t时刻的负荷值与其前一个时刻的负荷值的数据差的绝对值和允许变化的最大范围α(t)作对比;
将t时刻的负荷值与其后一个时刻的负荷值的数据差的绝对值和允许变化的最大范围β(t)作对比;
如果上述两个绝对值均超过允许变化的最大范围,则判断该数据异常,需要对其进行处理。
所述对数据进行处理的方法为:
判定数据异常后,t时刻的负荷值y(i,t)取其前一个时刻和后一个时刻的负荷值的均值加上前一天t时刻的负荷值与前一天t时刻的前一个时刻和后一个时刻的负荷值的均值之差。
所述归一化处理的方法为:将数据转化到一个固定的区间内,消除数量级差别。
本发明的有益效果:
1.本发明提出的改进训练策略的短期负荷预测方法基于人工神经网络理论,通过改进训练策略,在不变动网络结构的前提下获得更精确的预测结果,网络选取灵活,预测精度高等优点。
2.本发明提出的基于人工神经网络改进训练策略的短期负荷预测方法鲁棒性强,能够适应不同地区所受影响因素不同的负荷输入模型进行预测,适用于普通省级电网,城市电网、区域电网等不同短期负荷预测领域。
3.本发明提出的基于人工神经网络改进训练策略的短期负荷预测方法,运行时间短,负荷预测操作简单,对于提高电网调度部门短期负荷预测精度和速度具有一定的研究意义。
附图说明
图1为本发明改进训练策略流程示意图;
图2为本发明模型训练及预测流程示意图;
图3为本发明提出的方法与常用负荷预测方法所得预测结果对比曲线图。
具体实施方式:
下面结合附图对本发明进行详细说明:
如图1所示,改进后的Elman人工神经网络具体训练策略为:输入的训练样本以待预测短期负荷前M天前/后N时刻负荷值为输入值,以待预测日前M天该时刻负荷为每组输入的中心值输入预测模型进行预测。预测模型输出为待预测日前/后N时刻预测负荷值,该组数据中心值即为待预测日待预测时刻负荷。
如图2所示,本发明模型训练及预测流程步骤如下:
步骤(1):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出层神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差等预测参数。
步骤(2):设定Elman人工神经网络的初始隐含层神经元数;
步骤(3):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理和横向对比处理以及归一化后,把处理过的数据作为训练样本输入人工神经网络;
其中,数据纵向对比处理是指:
设定阈值设定时间段内每一天t时刻负荷值的平均值用表示,第i天第t时刻的负荷值用y(i,t)表示;判断y(i,t)与的差值的绝对值是否超过设定阈值
即:
如果超过设定阈值则认为数据y(i,t)存在异常,需要对其进行处理。
对数据进行处理的具体方法是:
如果负荷值y(i,t)大于平均值则负荷值y(i,t)取平均值与阈值的和;
如果负荷值y(i,t)小于平均值则负荷值y(i,t)取平均值与阈值的差。
即:
其中,为设定时间段内每一天t时刻负荷值的平均值;y(i,t)为第i天第t时刻的负荷值;为设定阈值,的大小可以结合实际人工设定。
横向对比处理是指:
分别以t时刻的负荷值的前一个时刻和后一个时刻的负荷值做为基准,并分别设定t时刻的负荷值相对于前一个时刻和后一个时刻的负荷值允许变化的最大范围α(t)和β(t);
将t时刻的负荷值与其前一个时刻的负荷值的数据差的绝对值和允许变化的最大范围α(t)作对比;
将t时刻的负荷值与其后一个时刻的负荷值的数据差的绝对值和允许变化的最大范围β(t)作对比;
即:
如果上述两个绝对值均超过允许变化的最大范围,则判断该数据异常,需要对其进行处理。
对数据进行处理的方法为:
判定数据异常后,t时刻的负荷值y(i,t)取其前一个时刻和后一个时刻的负荷值的均值加上前一天t时刻的负荷值与前一天t时刻的前一个时刻和后一个时刻的负荷值的均值之差。
即:
其中,y(i,t-1)为第i天第t-1时刻的负荷值,y(i,t+1)为第i天第t+1时刻的负荷值,y(i-1,t)为第i-1天第t-1时刻的负荷值,y(i-1,t+1)为第i-1天第t+1时刻的负荷值,y(i-1,t-1)为第i-1天第t—1时刻的负荷值。
在处理完数据导入模型预测前,为了消除由于不同数据之间可能存在的数量级差别,一般对数据集进行归一化处理。
归一化处理是将数据转化到一个固定的区间内,消除数量级差别实现减小误差的目的。归一化方法公式如下:
其中,xmin和xmax分别是原始数据的最小值和最大值,ymin和ymax分别是映射的范围参数。
步骤(4):设置初始阀值和权值,利用训练样本在网络中进行训练,通过设置不同的阀值和权值,获得多组训练结果;
步骤(5):对比获得的多组训练结果,记录误差最小的预测数据组;
返回步骤(2),重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;
步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;
步骤(7):在所述预测模型中输入待预测样本进行预测,选取预测值序列中的中间值作为本次预测的目标值,获得系统短期负荷预测数据。
为了进一步验证本实施方式的精确性和可行性,本发明采用华东某省会城市电网核心区实际负荷数据训练神经网络,考虑到不同类型日以及气象因素对负荷预测的影响,为了验证所提方法得出的预测结果精度,并证明模型的通用性,本文从2014年至2015年一年时间内的四个季节中各选一组数据集作为样本,在同一精度要求下,对比了改进前后的Elman人工神经网络分别采用传统方法和本文提出的方法进行预测结果。本发明提出的方法与传统Elman人工神经网络所得预测结果对比如表1所示。
表1为本发明提出的方法与传统Elman人工神经网络所得预测结果对比表;
本发明提出的方法与常用负荷预测方法所得预测结果对比如表2所示。
表2为本发明提出的方法与常用负荷预测方法所得预测结果对比表
图3为本发明提出的方法与常用负荷预测方法所得预测结果对比曲线图。
从表1、表2和图3中可以看出,本发明提出的方法平均误差为0.961%,传统Elman人工神经网络常规方法平均误差为2.635%,BP人工神经网络平均误差为3.358%,支持向量机方法平均误差为2.529%,本发明提出方法相比传统常用规方法在预测精度方面有明显提高。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,包括以下步骤:
步骤(1):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出层神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数;
步骤(2):设定Elman人工神经网络的初始隐含层神经元数;
步骤(3):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理和横向对比处理以及归一化后,把处理过的数据作为训练样本输入人工神经网络;
步骤(4):设置初始阀值和权值,利用训练样本在网络中进行训练,通过设置不同的阀值和权值,获得多组训练结果;
步骤(5):对比获得的多组训练结果,记录误差最小的预测数据组;
返回步骤(2),重新设置Elman人工神经网络的初始隐含层神经元数,带入训练样本进入网络进行训练;
步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的人工神经网络模型作为预测模型;
步骤(7):在所述预测模型中输入待预测样本进行预测,选取预测值序列中的中间值作为本次预测的目标值,获得系统短期负荷预测数据。
2.如权利要求1所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,输入的待预测数据的历史数据以待预测短期负荷前M天前/后N时刻负荷值为输入值,以待预测日前M天该时刻负荷为每组输入的中心值输入预测模型进行预测。
3.如权利要求2所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,预测模型输出为待预测日前/后N时刻的预测负荷值,该组数据中心值即为待预测日待预测时刻的负荷值。
4.如权利要求1所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,所述数据纵向对比处理是指:
设定阈值设定时间段内每一天t时刻负荷值的平均值用表示,第i天第t时刻的负荷值用y(i,t)表示;判断y(i,t)与的差值的绝对值是否超过设定阈值如果超过设定阈值则认为数据y(i,t)存在异常,需要对其进行处理。
5.如权利要求4所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,对数据进行处理的具体方法是:
如果负荷值y(i,t)大于平均值则负荷值y(i,t)取平均值与阈值的和;
如果负荷值y(i,t)小于平均值则负荷值y(i,t)取平均值与阈值的差。
6.如权利要求1所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,所述横向对比处理是指:
分别以t时刻的负荷值的前一个时刻和后一个时刻的负荷值做为基准,并分别设定t时刻的负荷值相对于前一个时刻和后一个时刻的负荷值允许变化的最大范围α(t)和β(t);
将t时刻的负荷值与其前一个时刻的负荷值的数据差的绝对值和允许变化的最大范围α(t)作对比;
将t时刻的负荷值与其后一个时刻的负荷值的数据差的绝对值和允许变化的最大范围β(t)作对比;
如果上述两个绝对值均超过允许变化的最大范围,则判断该数据异常,需要对其进行处理。
7.如权利要求6所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,所述对数据进行处理的方法为:
判定数据异常后,t时刻的负荷值y(i,t)取其前一个时刻和后一个时刻的负荷值的均值加上前一天t时刻的负荷值与前一天t时刻的前一个时刻和后一个时刻的负荷值的均值之差。
8.如权利要求1所述的一种基于人工神经网络改进训练策略的短期负荷预测方法,其特征是,所述归一化处理的方法为:将数据转化到一个固定的区间内,消除数量级差别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510812904.9A CN105243461A (zh) | 2015-11-20 | 2015-11-20 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510812904.9A CN105243461A (zh) | 2015-11-20 | 2015-11-20 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243461A true CN105243461A (zh) | 2016-01-13 |
Family
ID=55041098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510812904.9A Pending CN105243461A (zh) | 2015-11-20 | 2015-11-20 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243461A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106257506A (zh) * | 2016-03-23 | 2016-12-28 | 南京华苏科技有限公司 | 大数据量预测的三层联合动态选择最优模型方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN107609671A (zh) * | 2017-08-10 | 2018-01-19 | 燕山大学 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
CN108417032A (zh) * | 2018-03-19 | 2018-08-17 | 中景博道城市规划发展有限公司 | 一种城市中心区路边停车需求分析预测方法 |
CN108764334A (zh) * | 2018-05-28 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 人脸图像颜值判断方法、装置、计算机设备及存储介质 |
CN108909833A (zh) * | 2018-06-11 | 2018-11-30 | 中国科学院自动化研究所 | 基于策略迭代的智能汽车转向控制方法 |
CN109858136A (zh) * | 2019-01-26 | 2019-06-07 | 新奥数能科技有限公司 | 一种燃气锅炉效率的确定方法和装置 |
CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111582542A (zh) * | 2020-03-31 | 2020-08-25 | 国网上海市电力公司 | 一种基于异常修复的电力负荷预测方法及系统 |
-
2015
- 2015-11-20 CN CN201510812904.9A patent/CN105243461A/zh active Pending
Non-Patent Citations (2)
Title |
---|
徐海东: "基于神经网络的电力系统短期负荷预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
肖蕾等: "基于自适应Elman神经网络的短期风电功率预测", 《西安理工大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106257506B (zh) * | 2016-03-23 | 2018-02-13 | 南京华苏科技有限公司 | 大数据量预测的三层联合动态选择最优模型方法 |
CN106257506A (zh) * | 2016-03-23 | 2016-12-28 | 南京华苏科技有限公司 | 大数据量预测的三层联合动态选择最优模型方法 |
CN107609671A (zh) * | 2017-08-10 | 2018-01-19 | 燕山大学 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
CN107578124B (zh) * | 2017-08-28 | 2024-05-17 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108417032A (zh) * | 2018-03-19 | 2018-08-17 | 中景博道城市规划发展有限公司 | 一种城市中心区路边停车需求分析预测方法 |
CN108764334A (zh) * | 2018-05-28 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 人脸图像颜值判断方法、装置、计算机设备及存储介质 |
CN108909833A (zh) * | 2018-06-11 | 2018-11-30 | 中国科学院自动化研究所 | 基于策略迭代的智能汽车转向控制方法 |
CN109858136A (zh) * | 2019-01-26 | 2019-06-07 | 新奥数能科技有限公司 | 一种燃气锅炉效率的确定方法和装置 |
CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111582542A (zh) * | 2020-03-31 | 2020-08-25 | 国网上海市电力公司 | 一种基于异常修复的电力负荷预测方法及系统 |
CN111582542B (zh) * | 2020-03-31 | 2023-10-03 | 国网上海市电力公司 | 一种基于异常修复的电力负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243461A (zh) | 一种基于人工神经网络改进训练策略的短期负荷预测方法 | |
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
CN108921343A (zh) | 基于堆栈自编码器-支持向量回归的交通流量预测方法 | |
CN104077651B (zh) | 电网检修计划优化方法 | |
CN112785454B (zh) | 一种梯级水电站汛期智能调度方法及决策支持系统 | |
CN107590562A (zh) | 一种基于变权组合预测法的电力负荷短期预测方法 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
CN102129511A (zh) | 一种基于matlab的风电场短期风速预测系统 | |
CN105184402A (zh) | 一种基于决策树的个性化用户短期负荷预测算法 | |
CN110895773A (zh) | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 | |
CN113361195B (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN114358185A (zh) | 一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法 | |
CN110323768B (zh) | 一种电化学储能电站功率分配方法及系统 | |
CN112736944A (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN107633316A (zh) | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 | |
CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN109447336B (zh) | 一种上游水库与其反调节水库坝间水位优化控制方法 | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN112784439B (zh) | 一种基于离散化模型的能源互联网规划方法及装置 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN111260161A (zh) | 一种众包任务下发的方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160113 |
|
RJ01 | Rejection of invention patent application after publication |